监督学习类型理解

读书笔记（提炼理解总结）

监督学习

首先我们需要有一个由一组样本组成的数据集
然后样本中有属于它自身的属性元祖
补充个知识 ： 数据集会分为训练集和测试集

有监督学习

在一个有监督的学习任务中，数据样本将包含一个目标属性 yy，通过学习得到一个函数 F，使得它接受非目标属性 X，并输出一个接近目标属性的值，即 F(X) \approx yF(X)≈y。
简单说就是找一组全部带标记的数据集进行学习训练，从而实现模型
输入数据全部为带标记数据

无监督学习

与有监督的学习 相反，无监督学习是数据集没有设置真值。人们期望从数据中学习潜在的模式或规则，而不以预先定义的真值作为基准。

聚类（Clustering）：给定一个数据集，可以根据数据集中样本之间的相似性，将样本聚集成组。
关联（Association）：给定一个数据集，关联任务是发现样本属性之间隐藏的关联模式。

简单说就是找一组不带标记的数据集进行学习训练，从而实现模型进行预测
输入数据全部为不带标记数据

半监督学习

适用范围：数据集大，标记样本少，可找到同时具备有监督和无监督学习的应用

通过将有监督和无监督的学习结合在一个只有少量标记的数据集中，人们可以更好地利用数据集，并获得比单独应用它们更好的结果。

方法最好的一种 策略是首先将样本聚类成组（无监督学习），然后对每个组分别应用有监督的学习算法。第一阶段的无监督学习可以帮助我们缩小学习的范围，第二阶段的有监督学习可以获得更好的精度。

输入数据 带and不带标记数据